O presente relatório apresentou um estudo conduzido no Super Bock Group, que culminou no desenvolvimento de uma solução de BI por forma a consolidar os diferentes indicadores da Supply Chain num único repositório central e, assim, tornar possível o tratamento de todos os dados e potenciar a disponibilização da informação sobre o estado de atividade do grupo. Desta forma, esta solução pretende apoiar a tomada de decisão com base em eventos e acontecimentos.
A implementação de um sistema desta natureza possibilitou o acesso à informação relevante e de suporte à tomada de decisão por parte de diferentes colaboradores, independentemente da sua localização e momento de acesso. Além disso, com a centralização das diferentes fontes de informação e seus formatos distintos (ficheiros Excel, BD relacionais, etc.), permitiu melhorar não só o processamento e cruzamento dos dados como também melhorar a qualidade da informação e a rapidez de comunicação desta aos decisores. Esta possibilidade deveu- se ao facto de os dados e a informação passarem a circular de forma automática, e na medida das necessidades, através de um processo automatizado. Assim, estes fatores contribuíram para a eliminação dos desperdícios associados à procura por falha e à procura por fluxo, identificados por Hicks (2007), uma vez que a informação necessária e requerida está permanentemente disponível para consulta, por todos os utilizadores autorizados.
Como o sistema desenvolvido visa dar suporte à gestão da organização, as árvores de indicadores refletem os dados organizacionais referentes ao período mensal anterior. Assim, estas árvores são atualizadas mensalmente com o fecho do mês anterior, de forma a processarem e a disponibilizarem as informações para que os gestores as possam utilizar. Uma das vantagens do Power BI vem no seguimento desta questão das atualizações. Dado que as diferentes tabelas de dados já contêm máscaras de formatação previamente definidas, a atualização de toda a informação torna-se muito mais simples, bastando, para o efeito, atualizar as fontes de dados correspondentes. Com este mecanismo, consegue-se, também, uma melhoria significativa na rapidez da obtenção de informação, visto deixar de ser necessário o processamento mensal de todos os ficheiros de dados de forma manual, conduzindo, assim, a uma melhoria da qualidade e da rapidez da tomada de decisões. Adicionalmente, e uma vez que os diferentes colaboradores deixam de processar esses dados, ficam libertos para desempenharem as suas tarefas core, libertando-os, assim, de tarefas que poderão ser de valor não-acrescentado. O processamento automático dos dados permite, ainda, assegurar a consistência dos mesmos, pois as diferentes etapas de cálculo e de transformação das BD deixam de estar sujeitas a erros e/ou a diferentes interpretações por agentes humanos, garantindo, a integridade dos resultados. Desta forma, esta situação permite a eliminação do desperdício associado ao fluxo defeituoso (identificado por Hicks (2007)), pois não serão despendidos tempos adicionais e/ou recursos para a correção ou verificação de informação potencialmente defeituosa.
Por fim, tendo em conta que o Power BI possibilitou a criação de relatórios que contêm os principais indicadores operacionais de todo o grupo, pode concluir-se que este sistema incrementou uma melhoria na qualidade e na rapidez da tomada de decisões, já que o conhecimento do estado histórico e atual da organização, contribui fortemente para a projeção do futuro. Com a gestão visual dos dados, consegue-se perceber de imediato o estado das métricas e,
52
com base nisso, atuar em tempo real, possibilitando, ainda, uma compreensão rápida da relação causa-efeito entre indicadores. Além disso, estes sistemas permitem, também, auxiliar a priorização das decisões estratégicas e organizacionais. Assim, a aplicação da gestão visual dos dados possibilitou a eliminação do desperdício associado ao excesso ou sobrecargas de informações, desperdício este identificado por Hicks (2007).
De forma a garantir a sustentabilidade desta ferramenta, foram mapeados fluxos de atualização que contêm a identificação dos diferentes intervenientes no processo, suas responsabilidades e o modo de atuação no processo. Complementarmente, foram também criados manuais de atualização mensal que descrevem pormenorizadamente os diferentes passos a seguir para atualizar corretamente todas as tabelas de dados.
Dada a natureza e finalidade do projeto apresentado, a dimensão do mesmo e a falta de padronização, face à situação inicial do processo (devido à inexistência de um processo formalizado e estruturado de comunicação e divulgação da informação) tornou-se difícil a medição quantitativa do desempenho do sistema. Contudo, se se observar o estudo de caso desenvolvido por Bevilacqua et al. (2015) numa indústria italiana do setor automóvel, apresentado na secção 2.3.3, pode-se verificar que o conceito do problema em estudo é similar. Neste sentido, conforme comprovado pelos autores deste estudo, é possível verificar de uma forma quantitativa que a integração de sistemas e a aplicação de uma metodologia ou filosofia de Lean Information Management (LIM) possibilita a melhoria da eficiência dos processos (neste caso, do fluxo de informação) e dos resultados organizacionais, o que permite um ganho de vantagem competitiva.
De referir, ainda, que no contexto deste projeto alguns ficheiros que servem como base para o cálculo de indicadores são ficheiros de trabalho, pelo que estão expostos a alterações de estrutura que decorrem da sua própria natureza. Como o Power BI aplica um conjunto de passos pré-estabelecidos para o tratamento dos dados, a situação acima exposta pode constituir uma limitação à atualização automática dos dados, levando a um “retrabalho” no sentido de averiguar, mensalmente, a conformidade destes ficheiros para que possam ser introduzidos no sistema.
Tendo em conta esta limitação e com vista à automação do processo de atualização dos ficheiros, pretende-se como trabalho futuro, no âmbito deste projeto, migrar estes ficheiros de trabalho para um SI que permita garantir a integridade de dados e de estrutura, de forma a ser possível a conexão direta do SI ao Power BI. Neste sentido, pretende-se que as atualizações de dados sejam realizadas de forma automática e previamente agendada, melhorando o tempo necessário para a atualização do sistema, passando a ser muito reduzido.
53
Referências bibliográficas
A brief history of lean. (2020). Obtido 24 de Maio de 2020, de Lean Enterprise Institute website: https://www.lean.org/whatslean/history.cfm
Ackoff, R. (1989). From data to wisdom. Journal of Applied Systems Analysis, 16, 3–9.
Alizon, F., Shooter, S. B., & Simpson, T. W. (2009). Henry Ford and the Model T: Lessons for product platforming and mass customization. Design Studies, 30(5), 588–605. https://doi.org/10.1016/j.destud.2009.03.003
Bevilacqua, M., Ciarapica, F. E., & Paciarotti, C. (2015). Implementing lean information management: The case study of an automotive company. Production Planning & Control, 26(10), 753–768. https://doi.org/10.1080/09537287.2014.975167
Big data: What it is and why it matters. (2020). Obtido 5 de Abril de 2020, de SAS website: https://www.sas.com/en_us/insights/big-data/what-is-big-data.html
Big Data Analytics - what it is and why it matters. (2020). Obtido 2 de Fevereiro de 2020, de SAS website: https://www.sas.com/en_us/insights/analytics/big-data-analytics.html
Big data and digital platforms. (2017). Obtido 2 de Fevereiro de 2020, de European Commission website: https://ec.europa.eu/growth/industry/policy/digital-transformation/big-data-digital-platforms_en Braganza, A. (2004). Rethinking the data-information-knowledge hierarchy: Towards a case-based model.
International Journal of Information Management, 24(4), 347–356. https://doi.org/10.1016/j.ijinfomgt.2004.04.007
Büchi, G., Cugno, M., & Castagnoli, R. (2020). Smart factory performance and Industry 4.0. Technological Forecasting and Social Change, 150. https://doi.org/10.1016/j.techfore.2019.119790
Chaudhary, P., Hyde, M., & Rodger, J. A. (2017). Exploring the benefits of an agile information system. Intelligent Information Management, 09(05), 133–155. https://doi.org/10.4236/iim.2017.95007 Chiarvesio, M., & Romanello, R. (2018). Industry 4.0 technologies and internationalization: Insights from
Italian companies. Em Progress in International Business Research (Vol. 13, pp. 357–378). https://doi.org/10.1108/S1745-886220180000013015
Chui, M., Löffler, M., & Roberts, R. (2010). The internet of things. Obtido 2 de Fevereiro de 2020, de McKinsey & Company website: https://www.mckinsey.com/industries/technology-media-and- telecommunications/our-insights/the-internet-of-things
Clark, J. (2016). What is the internet of things, and how does it work? Obtido 2 de Fevereiro de 2020, de IBM website: https://www.ibm.com/blogs/internet-of-things/what-is-the-iot/
Coimbra, E. A. (2016). Kaizen: Uma estratégia de melhoria, crescimento e rentabilidade. Madrid: McGraw- Hill.
Compreender o que é um esquema de estrela e qual a importância para o Power BI. (2019). Obtido 5 de Maio de 2020, de Microsoft Docs website: https://docs.microsoft.com/pt-pt/power-bi/guidance/star- schema
Dalenogare, L. S., Benitez, G. B., Ayala, N. F., & Frank, A. G. (2018). The expected contribution of industry 4.0 technologies for industrial performance. International Journal of Production Economics, 204, 383–394. https://doi.org/10.1016/j.ijpe.2018.08.019
54 Davenport, T. H., & Harris, J. G. (2007). Competing on analytics: The new science of winning. Harvard Business
Press.
Davenport, Thomas H., Harris, J. G., De Long, D. W., & Jacobson, A. L. (2001). Data to knowledge to results: Building an analytic capability. California Management Review, 43(2), 117–138. https://doi.org/10.2307/41166078
de la Vara, J. L., Sánchez, J., & Pastor, Ó. (2008). Business process modelling and purpose analysis for requirements analysis of information systems. International Conference on Advanced Information Systems Engineering CAiSE 2008, 5074 LNCS, 213–227. https://doi.org/10.1007/978-3-540-69534-9_17 De Mauro, A., Greco, M., & Grimaldi, M. (2016). A formal definition of big data based on its essential features.
Library Review, 65(3), 122–135. https://doi.org/10.1108/LR-06-2015-0061
Delen, D., & Demirkan, H. (2013). Data, information and analytics as services. Em Decision Support Systems (Vol. 55, pp. 359–363). https://doi.org/10.1016/j.dss.2012.05.044
Desagregação e agregação num elemento visual. (2020). Obtido 5 de Maio de 2020, de Microsoft Docs website: https://docs.microsoft.com/pt-pt/power-bi/consumer/end-user-drill
Díaz, A., Lorenzo, O., & Claes, B. (2010). ERP implementation strategies: The importance of process modeling and analysis. Lecture Notes in Business Information Processing, 63 LNBIP, 95–112. https://doi.org/10.1007/978-3-642-15723-3_7
Elnagar, S., Weistroffer, H., & Thomas, M. (2019). Agile requirement engineering maturity framework for industry 4.0. Lecture Notes in Business Information Processing, 341, 405–418. https://doi.org/10.1007/978-3-030-11395-7_31
Fedorowicz, J., Gelinas, U. J., Gogan, J. L., Howard, M., Markus, M. L., Usoff, C., & Vidgen, R. (2005). Business process modeling for successful implementation of interorganizational systems. Association for Information Systems - 11th Americas Conference on Information Systems, AMCIS 2005: A Conference on a Human Scale, 6, 2994–3004.
Furlow, G. (2001). The case for building a data warehouse. IT Professional, 3(4), 31–34. https://doi.org/10.1109/6294.946616
Galsworth, G. D. (2011). Work That Makes Sense (1.a ed.). https://doi.org/978-1932516302
Getting started with VBA in Office. (2019). Obtido 26 de Maio de 2020, de Microsoft Docs website: https://docs.microsoft.com/en-us/office/vba/library-reference/concepts/getting-started-with-vba-in- office
Global automotive market share in 2019, by brand. (2020). Obtido 25 de Maio de 2020, de Statista website: https://www.statista.com/statistics/316786/global-market-share-of-the-leading-automakers/
Graja, I., Kallel, S., Guermouche, N., & Kacem, A. H. (2016). BPMN4CPS: A BPMN extension for modeling cyber- physical systems. Proceedings - 25th IEEE International Conference on Enabling Technologies: Infrastructure for Collaborative Enterprises, WETICE 2016, 152–157. https://doi.org/10.1109/WETICE.2016.41
Graja, I., Kallel, S., Guermouche, N., & Kacem, A. H. (2017). Modeling and verification of temporal properties in cyber-physical systems. 2017 14th IEEE Annual Consumer Communications and Networking Conference, CCNC 2017, 325–330. https://doi.org/10.1109/CCNC.2017.7983127
Hermann, M., Pentek, T., & Otto, B. (2016). Design principles for industrie 4.0 scenarios. Proceedings of the Annual Hawaii International Conference on System Sciences, 2016-March, 3928–3937.
55
https://doi.org/10.1109/HICSS.2016.488
Hicks, B. J. (2007). Lean information management: Understanding and eliminating waste. International Journal of Information Management, 27(4), 233–249. https://doi.org/10.1016/j.ijinfomgt.2006.12.001 Hindle, G., Kunc, M., Mortensen, M., Oztekin, A., & Vidgen, R. (2020). Business analytics: Defining the field and identifying a research agenda. European Journal of Operational Research, 281(3), 483–490. https://doi.org/10.1016/j.ejor.2019.10.001
Ibbitson, A., & Smith, R. (2011). The Lean Information Management Toolkit. London: Ark Group.
Industry 4.0. (2019). Obtido 7 de Dezembro de 2019, de Deloitte website: https://www2.deloitte.com/us/en/insights/focus/industry-4-0.html
Jain, S., & Sharma, S. (2018). Application of data warehouse in decision support and business intelligence system. Proceedings of the 2nd International Conference on Green Computing and Internet of Things, ICGCIoT 2018, 231–234. https://doi.org/10.1109/ICGCIoT.2018.8753082
Kettinger, W. J., & Li, Y. (2010). The infological equation extended: Towards conceptual clarity in the relationship between data, information and knowledge. European Journal of Information Systems, 19(4), 409–421. https://doi.org/10.1057/ejis.2010.25
Kos̈cielniak, H., & Puto, A. (2015). Big data in decision making processes of enterprises. Procedia Computer Science, 65, 1052–1058. https://doi.org/10.1016/j.procs.2015.09.053
Kune, R., Konugurthi, P. K., Agarwal, A., Chillarige, R. R., & Buyya, R. (2016). The anatomy of big data computing. Software - Practice and Experience, 46(1), 79–105. https://doi.org/10.1002/spe.2374 Lee, E. A. (2008). Cyber physical systems: Design challenges. 11th IEEE Symposium on
Object/Component/Service-Oriented Real-Time Distributed Computing, ISORC 2008, 363–369. https://doi.org/10.1109/ISORC.2008.25
Mantravadi, S., & Møller, C. (2019). An overview of next-generation manufacturing execution systems: How important is MES for industry 4.0? Procedia Manufacturing, 30, 588–595. https://doi.org/10.1016/j.promfg.2019.02.083
Microsoft Power BI Guided Learning. (2020). Obtido 1 de Maio de 2020, de Microsoft Docs website: https://docs.microsoft.com/en-us/power-bi/guided-learning/
Monostori, L., Kádár, B., Bauernhansl, T., Kondoh, S., Kumara, S., Reinhart, G., … Ueda, K. (2016). Cyber- physical systems in manufacturing. CIRP Annals, 65(2), 621–641. https://doi.org/10.1016/j.cirp.2016.06.005
Nanua, R. (2019). 8 reasons why you should shift reporting from Excel to Power BI. Obtido 5 de Outubro de 2019, de Hitachi Solutions America website: https://us.hitachi-solutions.com/blog/8-reasons-why-you- should-shift-reporting-from-excel-to-power-bi/
Nesic, Z., Ljubic, L., Radojicc, M., & Vasovic, J. V. (2016). A model of information flow management in the function of business processes improvement. CINTI 2015 - 16th IEEE International Symposium on Computational Intelligence and Informatics, Proceedings, 209–214. https://doi.org/10.1109/CINTI.2015.7382924
Ohno, T. (1988). Toyota Production System: Beyond large-scale production. Obtido de https://books.google.pt/books?hl=pt-PT&lr=&id=7_-
67SshOy8C&oi=fnd&pg=PR9&dq=Ohno+1988&ots=YoZrwgEcy1&sig=psZgXAZyFQelEhYSKEPmYQGfgh w&redir_esc=y#v=onepage&q=Ohno 1988&f=false
56 Pengpeng, L., & Ruiqing, D. (2014). Applications of Excel VBA in data calculation and charts creation of mineral resource economics. 2014 4th International Conference on Instrumentation and Measurement, Computer, Communication and Control, 815–819. https://doi.org/10.1109/IMCCC.2014.172
Philip Chen, C. L., & Zhang, C. Y. (2014). Data-intensive applications, challenges, techniques and technologies: A survey on big data. Information Sciences, 275, 314–347. https://doi.org/10.1016/j.ins.2014.01.015 Power BI. (2019). Obtido 17 de Setembro de 2019, de Microsoft Power BI website:
https://powerbi.microsoft.com/en-us/
Rui, J., & Danpeng, S. (2015). Architecture design of the internet of things based on cloud computing. 2015 Seventh International Conference on Measuring Technology and Mechatronics Automation, 206–209. https://doi.org/10.1109/ICMTMA.2015.57
Santos, M. Y., & Ramos, I. (2006). Business intelligence: Tecnologias da informação na gestão de conhecimento. Em FCA - Editora de Informática (pp. 1–5). Obtido de http://repositorium.sdum.uminho.pt/bitstream/1822/6198/1/Resumo_Livro_BI_MYS_IR.pdf
Sato, A., & Huang, R. (2016). A generic formulated KID model for pragmatic processing of data, information, and knowledge. Proceedings - 2015 IEEE 12th International Conference on Ubiquitous Intelligence and Computing, 2015 IEEE 12th International Conference on Advanced and Trusted Computing, 2015 IEEE 15th International Conference on Scalable Computing and Communications, 20, 609–616. https://doi.org/10.1109/UIC-ATC-ScalCom-CBDCom-IoP.2015.120
Saucedo-Martínez, J. A., Pérez-Lara, M., Marmolejo-Saucedo, J. A., Salais-Fierro, T. E., & Vasant, P. (2018). Industry 4.0 framework for management and operations: A review. Journal of Ambient Intelligence and Humanized Computing, 9(3), 789–801. https://doi.org/10.1007/s12652-017-0533-1
Shamim, S., Zeng, J., Shariq, S. M., & Khan, Z. (2019). Role of big data management in enhancing big data decision-making capability and quality among Chinese firms: A dynamic capabilities view. Information and Management, 56(6). https://doi.org/10.1016/j.im.2018.12.003
Sirkin, H. L., Zinser, M., & Rose, J. R. (2015). Why advanced manufacturing will boost productivity. bcg perspectives.
Sorensen, C. (2020). Business Intelligence vs. Business Analytics. Obtido 7 de Dezembro de 2019, de Hitachi Solutions website: https://us.hitachi-solutions.com/blog/business-intelligence-vs-business-analytics/ Štemberger, M. I., & Kovačič, A. (2008). The role of business process modelling in ERP implementation
projects. Proceedings - UKSim 10th International Conference on Computer Modelling and Simulation, EUROSIM/UKSim2008, 260–265. https://doi.org/10.1109/UKSIM.2008.25
Strange, R., & Zucchella, A. (2017). Industry 4.0, global value chains and international business. Multinational Business Review, 25(3), 174–184. https://doi.org/10.1108/MBR-05-2017-0028
Sun, Z., Strang, K., & Firmin, S. (2017). Business analytics-based enterprise information systems. Journal of Computer Information Systems, 57(2), 169–178. https://doi.org/10.1080/08874417.2016.1183977 Sung, T. K. (2018). Industry 4.0: A Korea perspective. Technological Forecasting and Social Change, 132, 40–
45. https://doi.org/10.1016/j.techfore.2017.11.005
Teixeira, J., Santos, M. Y., & Machado, R. J. (2018). Business process modeling languages and their data representation capabilities. 9th International Conference on Intelligent Systems 2018: Theory, Research and Innovation in Applications, IS 2018 - Proceedings, 685–691. https://doi.org/10.1109/IS.2018.8710586
57
Telukdarie, A., & Sishi, M. N. (2019). Enterprise Definition for Industry 4.0. IEEE International Conference on Industrial Engineering and Engineering Management, 2019-December, 849–853. https://doi.org/10.1109/IEEM.2018.8607642
Tezel, A., Koskela, L. J., & Tzortzopoulos, P. (2009). The functions of visual management. International
Research Symposium. Obtido de
https://www.researchgate.net/publication/308334596_The_Functions_of_Visual_Management The internet of things (IoT) - what it is and why it matters. (2020). Obtido 2 de Fevereiro de 2020, de SAS
website: https://www.sas.com/en_us/insights/big-data/internet-of-things.html
Toyota Motor. (2020). Obtido 25 de Maio de 2020, de Forbes website: https://www.forbes.com/companies/toyota-motor/
Ulag, A. (2019). Microsoft a leader in gartner’s magic quadrant for analytics and BI platforms for 12 consecutive years. Obtido 4 de Maio de 2020, de Microsoft Power BI website: https://powerbi.microsoft.com/en-us/blog/microsoft-a-leader-in-gartners-magic-quadrant-for- analytics-and-bi-platforms-for-12-consecutive-years/
Wang, L., Törngren, M., & Onori, M. (2015). Current status and advancement of cyber-physical systems in manufacturing. Journal of Manufacturing Systems, 37, 517–527. https://doi.org/10.1016/j.jmsy.2015.04.008
Wang, S., Wan, J., Li, D., & Zhang, C. (2016). Implementing smart factory of industrie 4.0: An outlook. International Journal of Distributed Sensor Networks, 12(1). https://doi.org/10.1155/2016/3159805 What are business analytics tools? (2020). Obtido 8 de Janeiro de 2020, de Microsoft Azure website:
https://azure.microsoft.com/en-us/overview/what-are-business-analytics-tools/
What are business intelligence (BI) tools? (2020). Obtido 8 de Janeiro de 2020, de Microsoft Azure website: https://azure.microsoft.com/en-gb/overview/what-are-business-intelligence-tools/
What is Power BI. (2020). Obtido 7 de Janeiro de 2020, de Microsoft Power BI website: https://powerbi.microsoft.com/en-us/what-is-power-bi/
Why Power BI. (2020). Obtido 18 de Abril de 2020, de Microsoft Power BI website: https://powerbi.microsoft.com/en-us/why-power-bi/
Wilson, B. M. R., Khazaei, B., Hirsch, L., & Kannan, S. T. (2014). CMDSSI: A decision support system for cloud migration for SMEs in India. 2014 IEEE International Conference on Computational Intelligence and Computing Research, 1–6. https://doi.org/10.1109/ICCIC.2014.7238490
Womack, J. P., & Jones, D. T. (1996). Lean Thinking: Banish waste and create wealth in your corporation (2.a ed., Vol. 48). https://doi.org/10.1038/sj.jors.2600967
Womack, J. P., Jones, D. T., & Roos, D. (1990). The machine that changed the world. Obtido de https://books.google.pt/books?hl=en&lr=&id=9NHmNCmDUUoC&oi=fnd&pg=PA9&ots=Uglt9kP6kf&s ig=0hbQYgTEKJBxCWGZXfXWCSXeNdQ&redir_esc=y#v=onepage&q&f=false
Yusoff, A., Din, N. M., Yussof, S., Abbas, A., & Khan, S. U. (2017). Predictive analytics for network Big Data using knowledge-based reasoning for smart retrieval of data, information, knowledge, and wisdom (DIKW). Em Big Data and Computational Intelligence in Networking (pp. 209–226). https://doi.org/10.1201/9781315155678-13
59
60 ANEXO A – Processo de atualização dos ficheiros
62
(A1)
63
65
66
(B2)
67